Rancang Bangun Prototype Ciri Citra Kulit Luar Kayu Tanaman Karet menggunakan Metode Virtual Center Of Gravity

  

  distance [4]

  

Rancang Bangun Prototype Ciri Citra Kulit

Luar Kayu Tanaman Karet menggunakan

Metode Virtual Center Of Gravity

  objek citra yang lain untuk menghasilkan keputusan yang berbeda Ruang lingkup pengolahan citra dan model pengenalan pola berbasis statistik merupakan landasan deduktif dalam membangun sebuah kerangka konsep penelitian yang menjelaskan proses data empiris tanaman karet yang terdiri dari daun, akar, dan kulit luar maka dalam penelitian ini memilih kulit luar sebagai

  Prototype yang dibangun dapat dipergunakan untuk

  Manfaat dari penelitian ini adalah inovasi dari algoritma ekstrasi fitur yaitu mengkombinasikan algoritma ekstraksi fitur warna dan fitur kontur dan

  Rate dan False Rejected Rate sebagai pengukuran tingkat kesalahan.

  keputusan untuk membentuk susunan klasifikasi usia produktifitas pada tanaman karet yang diuji dengan menggunakan metode unjuk kerja False Acceptance

  Gravity (VCG). Hasil yang diharapkan adalah sebuah

  Berdasarkan acuan penelitian yang berkaitan tentang klasifikasi dan konsep segmentasi, maka pada penelitian ini dilakukan beberapa hal sebagai berikut; tahap pertama melakukan proses pemilihan data latih terbaik (best sampling) dengan tujuan data yang diperoleh adalah data terbaik berdasar uji kemiripan. Tahap kedua adalah proses segmentasi menggunakan kombinasi color based dan contour based. Selanjutnya pada tahap ketiga melakukan ekstraksi ciri, metode yang digunakan adalah Virtual Center Of

  dan kombinasi diantaranya. Pada proses segmentasi citra berdasarkan klasifikasi, langkah pertama yang harus dilakukan adalah mengumpulkan segmentasi ke dalam area homogen dan informasi spektrum yang sama untuk mengklaster citra menjadi tiga bagian dengan menggunakan pengukuran kemiripan matriks euclidean

  Abstrak – Citra dijital kulit kayu tanaman karet memiliki tingkat kerapatan intensitas yang tinggi. Pola suatu citra dapat dikenali melalui proses analisis ciri. Ekstraksi ciri yang merupakan salah satu proses analisis ciri pada penelitian ini mengunakan metode Virtual Center Of Gravity (VCG) dengan segmentasi citra berbasis warna abu-abu (Gray Base) dan warna hitam putih (Contour Base). Prototype ciri yang dibangun berasal dari 3 (tiga) data citra yang telah melalui proses pemilihan data terbaik (best sample selection) sebagai proses pelatihan dengan menggunakan tenik coefficient correlation. Keputusan yang diharapkan adalah sebuah model klasifikasi usia produktifitas tanaman karet dengan menguji berbagai data citra uji terhadap prototype ciri dengan menggunakan pengukuran kemiripan dan jarak (similiarity measurement). Performance dari pengujian ini menggunakan pengukuran tingkat kesalahan (error analysis rate) dan pengukuran keberhasilan penentuan klasifikasi (Accuracy). Hasil penelitian ini menunjukkan bahwa dari maksimal 18 data pengujian yang terbagi menjadi maksimal 6 data valid image dan 12 data forgery image, dengan variasi pengujian sebanyak 5 kali pada setiap kategori diperoleh tingkat Accuracy terendah sebesar 77.78% dan tertinggi sebesar 85.19%.

  oriented, pixel oriented, region oriented, color oriented

  segmentasi citra dibagi beberapa orientasi, yaitu contour

  pixel , jarak antar pixel, dan lain-lain [3]. Konsep dasar

  permukaan kulit kayu menjadi kasar dan membentuk alur-alur spesifik [2]. Pola adalah suatu entitas yang samar yang dapat diberi nama seperti : citra sidik jari, tulisan tangan, sinyal suara, wajah, urutan DNA, dan lain-lain. Fitur adalah atribut dari pola yang mendeskripsikan ciri-ciri pola dalam berbagai entitas tergantung dari polanya. Umumnya, fitur dari suatu pola dijital adalah berupa lebar atau tinggi obyek, intensitas warna, dan lain-lain. Fitur juga dapat berupa sekumpulan pengukuran secara statistik dari pixel-pixel yang ada yang dapat didasarkan pada posisi pixel, warna

  Agus Naba. adalah Dosen Fisika, Fakultas MIPA Universitas Brawijaya Malang (email

  Sholeh Hadi Pramono adalah Dosen Teknik Elektro, Fakultas Teknik Universitas BrawijayaMalang (emaildan

  Arief Bramanto Wicaksono Putra adalah Dosen Jurusan Teknologi Informasi Politeknik Negeri Samarinda dan Mahasiswa Program Magister Teknik Elektro, Fakultas Teknik Universitas Brawijaya Malang(email: ariefbram@gmail.com)

  I. P ENDAHULUAN ENGAMATAN kulit kayu dilakukan secara makroskopis dan mikroskopis. Pengamatan makroskopis dengan menggunakan loupe perbesaran 8 kali, meliputi warna kulit kayu, tekstur, ketebalan dan penampakan bidang lintang sedangkan pengamatan secara mikroskopis hanya meliputi dimensi serat (panjang, diameter serat, lumen dan ketebalan dinding serat) [1]. Pembentukan dan kecepatan perusakan pada permukaan luar. Lapisan floem sekunder yang mengelupas berupa lembaran atau sisik. Bila belum rusak lapisan tersebut akan menumpuk, sedangkan keliling pohon bertambah terus maka akan terbentuk alur-alur yang merupakan ciri khas kulit pada sebagian besar pohon. Pecahnya sel-sel tersebut menyebabkan

  Kata Kunci — Performance, Prototype ciri, Segmentation Gray Base & Contour Base, Similarity measurement, Virtual Center of Grafity.

  

Arief Bramanto W.P., Sholeh Hadi Pramono, Agus Naba P objek yang akan diamati dengan bentuk citra dijital. _{IMAGE IMAGE DATA RAW PRE} Penelitian secara eksperimen dengan kajian simulatif _{SOURCE ACQUISITION PROCESSING COLLECTION} dilakukan pada bagian segmentasi di tahapan pre _{COLOR CONTUR} processing, bagian ekstraksi fitur di tahapan image _{BASED BASED}

  analysis , dan bagian klasifikasi menggunakan fuzzy _BEST logic di tahapan decision. Gagasan baru coba diutarakan _{EXTRACTION FEATURE COLOR BASED SAMPLING}

  dalam penelitian ini yang diletakan pada metode SEGMENTATION _(FCM) ekstraksi fitur yaitu VCG (Virtual Center Of Gravity). WORKSPACE _{Virtual Center Of Gravity SAMPLING IMAGE} Kerangka Konsep penelitian ini disajikan dalam _{CONTOUR BASED SEGMENTATION} Gambar 1 _{(EDGE DETECTION)}

  OBJECT DECISION _{PROTOTYPE FEATURE} Akuisisi Menjadi Citra Dijital Jenis

  Gambar 2. Rancang Bangun Prototype Ciri Habitat Daun

  KLASIFIKASI Akar KARET Usia

  Citra yang diolah berasal dari data primary yang

  VERIFIKASI Kulit Luar

  diakuisisi kemudian dikumpulkan dalam suatu raw data

  DESKRIPSI collection Selanjutnya data citra dijital tersebut akan

  melalui tahap pre-processing yang terdiri dari [5] :

  Prototype Ciri Citra Kulit

  Pembacaan data dari raw data collection

  Kayu Tanaman Karet PERFORMANCE Sebagai Susunan

  1. Melakukan color transformation dari RGB to

  Fuzzy Logic NN Bayesian Pengukuran Performansi Klasifikasi Usia grayscale

  Produktifitas MSE Statistical Based

  2. Menghilangkan derau (noise filtering) dengan

  Rasio Likelihood filter Gaussian

  Kesalahan FAR,FRR, Image Analysis

  3. Melakukan konversi type dari uint8 ke double

  Accuracy

  4. Melakukan cropping (reduce pixel) untuk

  Eigen WAVELET

  VCG Pre Processing menghilangkan kesalahan informasi

  FEATURE

  5. Melakukan edge detection untuk memperoleh

  Noise Filtering Cropping EXTRACTION citra dengan basis warna hitam putih (binary)

  FEATURE Color FCM Segmentation SELECTION Transformation Tahapan proses pemilihan data terbaik (best

  FEATURE sampling ) dilakukan untuk eliminasi sejumlah citra

  COMPRESSION Mapping Labeling Enhancement

  dijital asli. Sebagai ilustrasi jika kulit karet dengan perkiraan usia kurang dari 5 tahun yang digolongkan sebagai kategori pra produktif terdapat 10 sampel data,

  = Berhubungan = Diteliti

  lakukan eliminasi menggunakan uji korelasi untuk

  = Berpengaruh = Gagasan Baru sebagai bentuk = Sebab Akibat pengembangan

  memperoleh 3 sampel terbaik.

  = Optional Pengamatan atau Penelitian yang = Dilakukan

  Pada tahap ekstraksi fitur, masing masing basis

  dilakukan peneliti sebelumnya

  mengeluarkan fitur khusus yang berupa Virtual

  Gambar 1. Kerangka Konsep Coordinat Center Of Gravity. Hasil dari ekstrasi fitur ini diolah sehingga menjadi sebuah prototype fitur.

ETODE ENELITIAN

  II. M P Pengujian yang di gunakan untuk solusi klasifikasi

  Data yang digunakan diperoleh melalui proses pada tahap keputusan menggunakan fuzzy rule based, di akuisisi data dengan menggunakan sensor kamera tunjukan dalam Gambar 3 berikut : dijital. Obyek data yang diteliti adalah kulit luar kayu tanaman karet yang berlokasi di perkebunan rakyat

  GUESS

  IMAGE PRE - PATTERN DATA

  Kecamatan Marangkayu Kabupaten Kutai Kartanegara ACQUISITION PROCESSING SEGMENTATION

  IMAGE

  Provinsi Kalimantan Timur Variabel yang dilibatkan dalam kegiatan penelitian

  GUESS IMAGE PATTERN

  ini terdiri atas format citra,komponen prototype ciri,

  TEST GIP AGAINST FEATURE

  komponen pengujian citra uji dengan prototype ciri, dan

  FEATURE PROTOTYPE EXTRATION komponen unjuk kerja. WITH DECISION FUZZY RULE BASED

  Solusi masalah terdiri dari dua tahapan utama yaitu Membangun prototype ciri yang berfungsi sebagai proses pelatihan dan Menguji citra uji atau yang

  PERFORMANCE

  selanjutnya disebut Guess Data Image (GDI) dengan

  ACCEPTANCE prototype ciri. GDI terdiri atas valid image dan forgery

  Gambar 3. Pengujian Citra Uji Dengan Prototype Ciri image

  Tahapan pembangunan prototype ciri secara kerangka GDI (Guess Data Image) yang diperoleh akan solusi disajikan dalam bentuk flow diagram seperti digunakan sebagai data uji. GDI diolah melalui tahap ditunjukan pada Gambar 2 berikut

  pre-proccessing dan pattern segmentation yang hasilnya

  dinamakan dengan Guess Image Pattern (GIP). Fitur dari GIP diperoleh melalui proses ekstraksi kemudian dilakukan proses pengenalan dan pengujian kemiripan terhadap prototype fitur yang telah dibangun. Pengukuran unjuk kerja menggunakan metode FAR (False Acceptance Rate) dan FRR (False Rejectance

  Rate )

  B.

  ROTOTYPE

  C

  III. P

  and Contour Based)

  Pada prototype ciri ini menggunakan tiga pilihan referensi dalam melakukan seleksi data latih yaitu :  Color Based Reference  Contour Based Reference  Common Reference (Intersection Between Color

   Seleksi Data Latih Prototype Ciri

IRI A.

  Informasi citra dijital (image) harus memiliki syarat diperoleh dari pola citra yang maksimum. Pemotongan tepi koordinat X dan Y pada image menghasilkan image

  3 Best Samples Contour Pattern Gambar 5. Seleksi Data Latih Terbaik

  A - A . B - B   

         

  (1) dimana : _{i i}

  A dan B = Tiap data pada Himpunan data A dan B.

  A dan B = Rerata Himpunan Data A dan B. _, 1    _{A B}

  dikatakan A dan B memiliki korelasi negatif sempurna.

  Contour Pattern Gray/Index Pattern

  Train Data Best Samples Selection for each category

  3 Best Samples Gray Pattern

  ORIGINAL

  ^A,B 1 ^{n i i i n n A B i i i i} A - A B - B Cov A,B

  IMAGE Data Collection Read Data

  RGB Image Canny Edge Detection

  Convert to Gray Image Noise Filtering

  Cropping Index Image BW

  Image Convert to Index Image (Type Double)

  Gray Image PRE PROCESSING

  Pra Produktif (Pra) Produktif(Pro) Paska Produktif (Pas)

  Contour Pattern Gray/Index Pattern

  Train Data Gambar 4. Pre Processing Prototype Ciri

  .

  1

  pattern (pola citra) yang memiliki nilai X dan Y maksimum. Proses ini dinamakan image cropping.

  terbaik dari proses eliminasi data berbasiskan warna abu-abu. Contour reference bertujuan membuat tiga data latih terbaik dari proses eliminasi berbasiskan warna hitam putih.

  Data yang akan dilatih sesuai dengan flow diagram pembentukan prototype dibagi menjadi dua bagian yaitu

  gray pattern based (gray/index) dan contour pattern based (binary) .

  Contour pattern diperoleh dengan proses edge detection yang menggunakan metode canny.

  Proses aritmatika pada matriks tidak mengijinkan menggunakan tipe data bilangan bulat 8 bit yang selanjutnya disingkat menjadi uint8, sehingga image harus diubah menjadi tipe data double terlebih dahulu menjadi tipe data bilangan riil berpresisi ganda sehingga proses aritmatika pada matriks bisa dilakukan, langkah ini dinamakan proses konversi tipe data .

  IP (Image Pattern) hasil akuisisi citra dijital adalah berjenis true color (RGB). Untuk mengurangi kompleksitas image maka perlu dilakukan konversi image . yaitu merubah dari true color ke grayscale. Tahap selanjutnya grayscale image difilter untuk menghilangkan noise yang mungkin ada dengan menggunakan filter gaussian.

  Default

  Klasifikasi pada penelitian ini telah ditentukan menjadi tiga bagian yakni usia pra produktif, produktif dan paska produktif. Dimana proses akuisisi untuk semua kategori telah dilakukan dan disimpan pada sebuah data collection. Pembangunan prototype ciri pada tahapan pre processing disajikan dalam Gambar 4.

  Tiga referensi dalam seleksi data latih terbaik dibuat sebagai bahan perbandingan. Referensi pertama yaitu

  color reference bertujuan membuat tiga data latih

  Referensi ketiga yaitu common reference berfungsi mengambil tiga data dari nilai irisan color reference dan

  2

  contour reference. Jika irisan yang diperoleh kurang

  dari tiga data, maka data yang tidak termasuk irisan akan di seleksi ulang guna memenuhi syarat terpenuhnya tiga data latih terbaik.

  Tahapan pemilihan data terbaik bertujuan melakukan optimasi komputasi pada pelatihan untuk mendapatkan ciri terbaik atau disebut juga ciri yang memiliki tingkat kemiripan dan kedekatan yang sangat rapat. Hal ini disajikan dalam Gambar 5 berikut:

  Dasar perhitungan yang digunakan untuk pemilihan data terbaik adalah himpunan data berupa jumlah nilai pixel IP yang selanjutnya dinyatakan dengan intensitas

  IP terhadap kolom (X) dan jumlah intensitas IP terhadap baris (Y). Dalam sistem koordinat piksel, sumbu X menyatakan urutan kolom, dan sumbu Y menyatakan urutan baris.

  Untuk mengetahui tingkat kekuatan hubungan antara dua himpunan data, misalnya A dan B, digunakan koefisien korelasi yang dinyatakan dengan [6] :

   Preparation Dan Pre Processing Prototype Ciri

  1

  2

          

  ,  1  _{A B}

  kepadatan piksel dimana pola citra yang diolah dibagi ke daerah vertikal (kolom X) dan horisontal (baris Y) sehingga jumlah piksel sama di setiap daerah [8].

       

      max abs ρ-1 = max 0.3967 0.3431 0.4500 0.4394 max abs ρ-1 = 0.4500

  Karena deviasi maksimum elemen vektor

  

  terhadap korelasi sempurna (ABS(1)) adalah 0.4500 berada pada kolom 3, maka sampel IP3 yang ditolak. Sampel data pelatihan yang terpilih sebagai kandidat adalah IP1,IP2, dan IP4 untuk selanjutnya kan diproses lebih lanjut di tahap analisis citra yang menguraikan tentang bagaimana ekstraksi ciri dari citra ke 3 kandidat tersebut.Jika terdapat n data sampel pelatihan, setiap uji korelasi tetap menggunakan 4 (empat) sampel. Tiga sampel yang diterima dipertahankan, kemudian ditambahkan data berikutnya untuk dilakukan uji korelasi kembali. Proses berlangsung terus menerus hingga semua sampel data pelatihan teruji.

  C.

   Prototype Ciri Menggunakan Metode VCG

  Ciri khusus dalam suatu citra bisa diperoleh dengan pencarian pusat massa (center of gravity), lazimnya ditemukan dengan menggunakan nilai rerata koordinat piksel yang menyusun suatu objek [7] Penelitian yang sudah dilakukan sebelumnya menggunakan ciri center

  of gravity dengan memanfaatkan informasi posisi

  Pembuatan prototype ini akan diterapkan bagaimana dari tiga data terbaik yang telah diperoleh diproses menggunakan metode VCG maka pada pembangunan

    ρ = 0.6033 0.6569 0.5500 0.5606

  prototype ciri ini tahapan ekstraksi ciri disajikan dalam

  Gambar 7 berikut Dari flow diagram dapat dijelaskan bahwa tiga data citra pelatihan akan diekstraksi menggunakan metode VCG sehingga menghasilkan representasi WB dan WG untuk setiap citra pada masing-masing kategori, range

  distance antara nilai minimum dan maximum VCG serta

  memperoleh rata-rata yang selanjutnya dinyatakan dalam common VCG. Secara rinci tahapan ini akan dijelaskan sebagai berikut :

  Fitur VCG adalah representasi feature space dari pusat gravitasi IP terhadap Feature Space (FS/Ruang Pola) dan Background (latar belakang pola), konsep

  VCG yang dilakukan pada penelitian ini dijelaskan melalui representasi berikut :

  Feature Space (Black) ZEROS

  Feature Space (Gray) HALF

  Background (White) ONES

  Dari 4 (empat) sampel data latih, akan dipilih 3 (tiga) data terbaik. Untuk menentukan sampel data latih yang harus di eliminasi, maka perlu dicari selisih terbesar dari nilai koefisien korelasi sempurna (ABS (1)), dalam hal ini digunakan perhitungan seperti di bawah ini :

  diperoleh :

  dikatakan A dan B memiliki korelasi positif sempurna Koefisien korelasi suatu himpunan data A terhadap dirinya sendiri dinyatakan dengan :

  1

            

  2

  1

  1

  2

  2

  2

  1

  1

  _A,A 1 ^{n n i i i i i} _{n n n i i i i i i} A - A A - A A - A A - A

  

  A - A . A - A   

       

      

  ………(2) Pada percobaan penelitian ini diperoleh hasil pre

  processing sejumlah 4 buah data untuk jenis kategori

  pra produktif sebagai berikut : Total Koefisien korelasi relatif antar image IP1, IP2,

  IP3, dan IP4 dapat dinyatakan dengan :

    ^{X(1,2,3,4) Y(1,2,3,4) ρ + ρ} ρ =

  2 yang menyatakan hubungan antar image dimaksud.

  Maka

  Gambar 8. Representasi Virtual Center Of Gravity ^{Contour Pattern Gray/Index Pattern Train Data Best Samples Selection for each category 3 Best Samples Gray Pattern Contour Pattern 3 Best Samples Calculate Distance between Train Data & White Space (dW) Calculate Distance between Train Data & Black Space (dB) Calculate Distance between Train Data & Gray Space (dG) Calculate Common VCG Common VCG Feature in WB Space Common VCG Feature in WG Space Range Distance in WB Space Range Distance in WG Space VCG Feature from Sample 1 (dW, dB, dG) VCG Feature from Sample 2 (dW, dB, dG) VCG Feature from Sample 3 (dW, dB, dG) Calculate Min & Max Distance In WB Space Calculate Min & Max Distance In WG Space VCG FEATURE EXTRACTION VCG Feature (Color & Contour)} Gambar 7. Ekstraksi Menggunakan Metode VCG Gambar 6. Citra Kategori Pra Produktif After Pre Processing Representasi Feature Space hubungan antara IP terhadap W (Background) yang berwarna putih dan B (Feature Space/ruang pola) yang berwarna hitam dan representasi feature space hubungan antara IP terhadap W (Background) yang berwarna putih dan G (Feature

  space /ruang pola) yang berwarna abu-abu disajikan

  dalam Gambar 9 dan 10 seperti berikut : Variabel d

  Feature Space d yG Background d yW

  Background .vs. Feature space seperti dalam Gambar 11.

  kemudian direpresentasikan ke dalam koordinat

  yG

  dan d

  yW

  dan perhitungan Eucliden Distance d

  yB

  dan d

  yW

  Hasil perhitungan Euclidean Distance d

VCG WB

         

  seperti berikut : Hasil Dari tahapan pemilihan data latih terbaik adalah seperti berikut : _{Referensi Best Sample : ---------------------------------------------------------- [1]. Color Based Reference (contour best sample = color best sample) ---------------------------------------------------------- Jumlah Data Latih PRA = 10 allbestPRA =}

  adalah Euclidean Distance antara IP dengan W, sedangkan variabel d

  IV. H

  ASIL

  D

  AN

  P

  EMBAHASAN

  Hasil Dari Prototype Ciri dijelaskan sebagai berikut : Data yang diakuisisi terdiri dari 10 data kategori usia pra produktif, 10 data kategori produktif dan 6 data kategori paska produktif. Setelah melalui proses pre

  processing , maka data disimpan dalam workspace

  _{Jumlah Data Latih PRO = 10} 2 4 7 _{allbestPRO = 2 3 6 Jumlah Data Latih PAS = 6 allbestPAS = 1 2 4}

  adalah Euclidean

  Tahapan selanjutnya setelah diperoleh hasil dari rancang bangun prototype ciri ini adalah dengan menguji kemampuan proses klasifikasi dari data citra uji (Guess Image Pattern) yang selanjutnya disingkat GIP terhadap prototype ciri. Tahapan itu terdiri atas :

  A.

   Penentuan GIP

  GIP dikelompokan menjadi dua yaitu data uji asli (valid data) dan data uji palsu (forgery data) yang diuraikan sebagai berikut :

  Gambar 12. Workspace Data After Pre Processing Gambar 11. Pasangan Koordinat Virtual Feature Space d _yB Background d _yW

  yW

  VCG _WG Gambar 10. Representasi FS Gray Terhadap BG White

  IP d _yG d _yW

  Gambar 9. Representasi FS Black Terhadap BG White

  IP d ^{yB d yW}

  yB

  Distance antara IP dengan B. Secara matematis dapat

     

  array berukuran N x N d yW

     

   

  (3) dimana :

  y M,N : array

  IP berukuran M x N

  d yW(M,M)

  : Euclidean Distance antara y dan W, berupa array berukuran M x M

  d yB(N,N)

  : Euclidean Distance antara y dan B, berupa

  : rata-rata dari jumlah elemen diagonal d

  dinyatakan :

  y,W d yB

  : rata-rata dari jumlah elemen diagonal d

  y,B

  Hal yang sama juga berlaku pada representasi Feature

  M d B - y d d N Maka : d mean diag d d mean diag d ^{ }

  1 ^{i j} _{i j} ^{M N yW ( M ,M ) i , j j ,i i j M M yW yW ( i , j ) i j N M yB( N ,N ) j ,i i , j j i N N} _{yB yB( i , j ) i j yW yW ( M ,M )} yB yB( N ,N ) d y -W d d

  1

    ^{2 1 1 1 1 2 1 1 1 1}

     

       

  Space Gray terhadap Background White

   Valid data uji maksimum terdiri dari 10 data untuk diuji dengan kategori pra produktif, 10 data untuk diuji dengan kategori produktif, dan 6 data untuk diuji dengan kategori paska produktif  Forgery Data uji maksimum terdiri dari 16 data untuk diuji dengan kategori pra produktif, 16 data untuk diuji dengan kategori produktif, dan 20 data untuk diuji dengan kategori paska produktif B.

  I I

  IV I LUSTRASI H ASIL U JI C OEFFICIENT C ORRELATION T ERHADAP P ROTOTYPE F

  ITUR C ONTOUR B ASED

  VCG KATEGORI Coefficient Correlation bwPRA5 bwPRO5 bwPAS5 Pra Produktif 0.8331 0.8334 0.8270

  Produktif 0.8334 0.8334 0.8298 Paska Produktif 0.8288 0.8312 0.8333 T ABEL

  III

  I LUSTRASI H ASIL U JI C OEFFICIENT C ORRELATION T ERHADAP P ROTOTYPE F

  ITUR G RAY B ASED

  VCG KATEGORI Coeeficient Correlation

  ‘PRA5’ ‘PRO5’ ‘PAS5’ Pra Produktif 0.8331 0.8328 0.8194 Produktif 0.8298 0.8333 0.8076 Paska Produktif 0.8333 0.8230 0.8333

  T ABEL

  I LUSTRASI H ASIL U JI E UCLIDEAN D

  PRA5 PRO5 PAS5 Pra Produktif 0.5 0.8334 0.1666 Produktif 0.1666 0.8334 0.1666

  ISTANCE T ERHADAP P ROTOTYPE F

  ITUR C ONTOUR B ASED

  VCG KATEGORI EUCLIDEAN DISTANCE bwPRA5 bwPRO5 bwPAS5 Pra Produktif 0.7134 0.8217 0.5192

  Produktif 0.8023 0.7997 0.5206 Paska Produktif 0.5077 0.5364 0.7624 T ABEL

  I I LUSTRASI H ASIL U JI E UCLIDEAN D

  ISTANCE T ERHADAP P ROTOTYPE F

  ITUR G RAY B ASED

  VCG Kategori EUCLIDEAN DISTANCE PRA5 PRO5 PAS5

  Pra Produktif 0.7119 0.6792 0.5027 Produktif 0.5974 0.7687

  0.5 Paska Produktif 0.7665 0.5022 0.7687 Sample Test (Guess Image) _{Valid Image Forgery Image Pre Processing} Guess Gray Pattern ^{Valid Image Forgery Image Guess Contour Pattern Valid Image Forgery Image} _{VCG Feature Extraction} Euclidean _{Distance Test against VCG Prototype} ^Euclidean _{Distance Test against Common VCG Correlation Coefficient Test Contour Euclidean Distance Test against VCG Prototype Euclidean Distance Test against Common VCG Correlation Coefficient Test Color} DECISION in _PERCENT ^{FUZZY CLASSIFIER}

  Paska Produktif 0.6814 0.1666 0.5507 T ABEL

  VCG Kategori Range Distance Acceptance

   Pre Processing Dan Ekstraksi Ciri GIP

  VCG dapat ditunjukkan dalam Tabel 1 berikut : Untuk GIP ‘bwPRA5’, ‘bwPRO5’ dan ‘bwPAS5’ hasil uji Euclidian Distance terhadap prototype fitur contour

  Di ilustrasikan dengan 1 (satu) GIP untuk masing- masing kategori, GIP yang digunakan adalah  DSC_5.nef sebagai GIP pra produktif, yang diberi variabel ‘PRA5’ untuk gray based dan ‘bwPRA5’ untuk contour based  DS_5.nef sebagai GIP produktif, yang diberi variabel ‘PRO5’ untuk gray based dan ‘bwPRO5’ untuk contour based  DS5.nef sebagai GIP paska produktif, yang diberi variabel ‘PAS5’ untuk gray based dan ‘bwPAS5’ untuk contour based

  Dengan cara yang sama pada proses pre processing dan Ekestraksi ciri prototype, digunakan juga pada GIP C.

   Klasifikasi GIP Menggunakan Fuzzy Rule Based

  Tahapan klasifikasi GIP dimaksudkan untuk menentukan GIP tergolong kategori pra produktif, produktif, atau paska produktif. Proses klasifikasi dilakukan melalui tiga jenis pengujian, yaitu sebagai berikut :

   Uji euclidean distance  Uji coefficient correlation  Uji range distance acceptance Ketiga pengujian diatas dilakukan untuk semua

  prototype fitur yang telah diperoleh seperti yang

  ditunjukkan dalam flow diagram berikut : Hasil dari pengujian tersebut diperoleh sebagai berikut : 1.

   Uji Euclidean Distance

  Untuk GIP ‘PRA5’, ‘PRO5’ dan ‘PAS5’ hasil uji

  Euclidian Distance terhadap prototype fitur gray based

  based

  ITUR G RAY B ASED

  VCG dapat ditunjukkan dalam Tabel 2 berikut : 2.

   Uji Coefficient Correlation

  Hasil uji Coefficient Correlation terhadap prototype fitur gray based VCG dapat ditunjukkan dalam Tabel 3 berikut : Hasil uji Coefficient Correlation terhadap prototype fitur contour base VCG dapat ditunjukkan dalam Tabel 4 berikut : 3.

   Uji Range Distance Acceptance

  Hasil uji Range Distance Acceptance terhadap

  prototype fitur gray based VCG dapat ditunjukkan

  dalam Tabel 5 Hasil uji Range Distance Acceptance terhadap prototype fitur contour based VCG dapat ditunjukkan Tabel 6 Dari tiga pengujian yang telah dilakukan, maka dapat diperoleh total metode pengujian dengan menggunakan

  T ABEL

  V I LUSTRASI H ASIL U JI R ANGE D

  ISTANCE A CCEPTANCE T ERHADAP P ROTOTYPE F

  Gambar 13. Fuzzy Classification Decision Model

  fuzzy rule base 3 input pada masing-masing segmentasi

  VCG Kategori Acceptance Contour Based

   False Acceptance Rate adalah nilai dari False

  Positive Rate , dinyatakan dengan persamaan

  seperti berikut :

  FAR = FPR

  (7)

  Gambar 15. Pengujian Prototype Ciri Contour Based VCG Gambar 14. Pengujian Prototype Ciri Gray Based VCG T ABEL

  VIII

  I LUSTRASI T OTAL R ESULT U JI A CCEPTANCE

  VCG T ERHADAP P ROTOTYPE F

  ITUR C ONTOUR B ASED

  VCG bwPRA5 bwPRO5 bwPAS5 Pra Produktif 0.5000 0.8177 0.5000 Produktif 0.8147 0.8143 0.5000 Paska Produktif 0.5000 0.5000 0.8078 T ABEL

  (6) Selanjutnya adalah memperoleh FAR dan FRR, serta

  VII

  I LUSTRASI T OTAL R ESULT U JI A CCEPTANCE

  VCG T ERHADAP P ROTOTYPE F

  ITUR G RAY B ASED

  VCG Kategori Acceptance Gray Based VCG PRA5 PRO5 PAS5

  Pra Produktif 0.7982 0.7961 0.5000 Produktif 0.5 0.8090 0.5000 Paska Produktif 0.7954 0.5000 0.8090

  T ABEL

  VI I LUSTRASI H ASIL U JI R ANGE D

  ISTANCE A CCEPTANCE T ERHADAP P ROTOTYPE F

  ITUR C ONTOUR B ASED

  VCG KATEGORI Range Distance Acceptance bwPRA5 bwPRO5 bwPAS5 Pra Produktif 0.1666 0.8177 0.1666

  Accuracy [9] yang dijelaskan berikut :

  TN TNR = » TNR = 1- FPR N

  yang di perlihatkan oleh Tabel 7 dan 8 Pengujian data uji hasil ekstraksi ciri menggunakan metode VCG terhadap prototype fitur gray based VCG diilustrasikan dalam Gambar 14. Dan pengujian data uji hasil ekstraksi ciri menggunakan metode VCG terhadap

  Acceptance Rate (FAR) atau rasio kesalahan

  prototype fitur contour based VCG diilustrasikan dalam

  Gambar 15. Sebagai salah satu sampel pengujian yang digunakan adalah GIP Pra Produktif yakni data ‘PRA5’ dan

  ‘bwPRA5’ Gambar 14 dapat dijelaskan seperti berikut

   Point berwarna magenta adalah koordinat VCG dari data uji PRA5.  Prototype VCG dengan feature space hitam dan

  background , posisi data PRA5 berada mutlak di ruang pra produktif.

   Prototype VCG dengan feature space abu-abu dan background, posisi data PRA5 berada di irisan ruang pra dan paska. Gambar 15 dapat dijelaskan seperti berikut :

   Point berwarna magenta adalah koordinat VCG dari data uji PRA5  Prototype VCG dengan feature space hitam dan background, posisi data ‘bwPRA5’ berada mutlak di ruang kategori produktif. Hal ini disebut juga unmatch valid Image  Prototype VCG dengan feature space abu-abu dan background, posisi data ‘bwPRA5’ berada diantara irisan semua kategori, untuk mengetahui seberapa dekat dan mirip data tersebut dengan masing-masing kategori maka digunakan aturan

  fuzzy

  Tahapan selanjutnya setelah diperoleh hasil pengujian GIP terhadap prototype ciri, diperlukan pengukuran unjuk kerja tingkat keberhasilan (Performance

  Acceptance ). Unjuk kerja pada model klasifikasi dapat

  dilihat dengan dua model kesalahan yakni False

  penerimaan dan False Rejection Rate (FRR) atau rasio kesalahan penolakan [9].

  True Negative (TN) dibagi jumlah forgery image (N) .

  Dalam unjuk kerja model klasifikasi maka perlu dilakukan perhitungan untuk pencarian True Positive

  Rate (TPR), False Positive Rate(FPR), dan True Negative Rate (TNR) [10]. yang dijabarkan sebagai

  berikut  TPR juga biasa disebut dengan sensivity, atau rasio ketepatan, dijelaskan sebagai match valid

  image selanjutnya disebut True Positive (TP)

  dibagi jumlah valid image (P)

  TP TPR = P

  (4)  FPR juga bisa disebut alarm kesalahan atau rasio ketidak tepatan, diuraikan menjadi unmatch valid

  image selanjutnya disebut False Positive (FP)

  dibagi jumlah forgery image (N)

  FP FPR = N

  (5)  TNR juga bisa disebut specificity, dijelaskan sebagai match forgery image selanjutnya disebut

  Produktif 0.8334 0.8143 0.1666 Paska Produktif 0.1666 0.5000 0.8334

   False Rejectance Rate adalah nilai dari False pengujian sistem maka dapat disimpulkan hal-hal

  Negative Rate , persamaan nya adalah :

  sebagai berikut :

  FRR =1-TPR

  …………………..(8)

  1. Prototype fitur berhasil dibangun melalui  Accuracy yang selanjutnya disebut Acc, adalah tahapan selekasi data latih terbaik dengan ciri prosentase ketepatan keberhasilan total pengujian khusus yang diperoleh berupa pasangan terhadap prototype ciri, persamaan yang koordinat virtual center of gravity menyatakan nya adalah :

  2. Pengujian untuk menentukan klasifikasi suatu

  (TP + TN)

  data uji berdasarkan relatifitas kedekatan dan

  Acc = ×100% (P + N)

  kemiripan jarak dengan metode fuzzy rule base (9) diperoleh melalui kombinasi tiga pengujian yaitu

  Pada percobaan pengujian unjuk kerja GIP yang

  a. Uji Euclidean Distance bervariasi dengan referensi hasil pemilihan data terbaik b. Uji Coefficient Correlation yang digunakan adalah gray base, maka diperoleh nilai c. Uji Range Distance Acceptance

  FAR, FRR dan Acc yang ditunjukkan dalam tabel IX,

  3. Dengan menggunakan metode analisis kesalahan X, XI dan XII. model klasifikasi yakni FAR dan FRR, hasil percobaan memperoleh nilai accuracy terendah

  T ABEL

  IX FAR DAN FRR K ATEGORI P RA P RODUKTIF sebesar 77.78% dan tertinggi sebesar 85.19%, Pra Produktif dengan jumlah data uji bervariasi pada rentang 6 Kategori Data Uji FAR FRR

  hingga 18 data

  Pra=2; Pro=2; Pas=2 0.00% 100.00%

  Masih banyak yang bisa dikembangkan untuk

  Pra=3; Pro=3; Pas=3 0.00% 100.00%

  menyempurnakan penelitian yang telah dilakukan antara

  Pra=4; Pro=4; Pas=4 0.00% 75.00% Pra=5; Pro=5; Pas=5 0.00% 80.00% lain dari sisi akuisisi data primer dapat diperoleh data Pra=6; Pro=6; Pas=6 0.00% 66.67%

  paska produktif yang lebih valid. Tahapan pre

  processing dapat ditambahkan proses pelabelan atau TABEL

  X

  registrasi citra untuk membantu mengatasi kondisi citra

  FAR DAN FRR K ATEGORI P RODUKTIF

  yang tergolong unoccurent. Penelitian selanjutnya yang

  Produktif Kategori Data Uji

  dapat dilakukan adalah melakukan kombinasi (hybrid)

  FAR FRR Pra=2; Pro=2; Pas=2 50.00% 0.00%

  antara ekstraksi ciri

  VCG dengan ekstraksi

  Pra=3; Pro=3; Pas=3 50.00% 0.00%

  menggunakan metode clustering dengan model

  Pra=4; Pro=4; Pas=4 37.50% 0.00% Pra=5; Pro=5; Pas=5 30.00% 0.00% keputusan berupa validasi. Pra=6; Pro=6; Pas=6 25.00% 00.00%

  D AFTAR P USTAKA

  TABEL

  XI [1] Budi, A.S., Struktur Kulit Dari Beberapa Jenis Pohon Tahan Dan FAR DAN FRR K ATEGORI P ASKA P RODUKTIF Tidak Tahan Kebakaran, Jurnal Ilmiah Kehutanan. Volume I

  No.1. September 1996. Fakultas Kehutanan Universitas Paska Produktif Kategori Data Uji Mulawarman. Samarinda.

  FAR FRR [2] Loveless, A.R., Principles Of Plant Biology for the Tropics, Pra=2; Pro=2; Pas=2 0.00% 0.00% Longman Group Limited, PT. Gramedia, 1987. Pra=3; Pro=3; Pas=3 0.00% 0.00% [3] Acharya T, .Ray A.K., Image Processing : Principles and Pra=4; Pro=4; Pas=4 0.00% 0.00% Applications, Wiley Interscience. Jhon Wiley & Sons Inc., 2005. Pra=5; Pro=5; Pas=5 10.00% 0.00% [4] Malik J, Belongie S, Leung, and Shi. Contour and texture Pra=6; Pro=6; Pas=6 8.33% 0.00% Analysis for Image Segmentation, International Journal Of

  Computer Vision, vol 43(1), 2001, pp. 7-27.

  [5] Gonzales RE, Woods RE, Digital Image Processing, 2nd ed, T ABEL

  XII New Jersey : Prentince Hall, Inc, 2002. T

  INGKAT A CCURACY [6] Supranto J,MA., Statistik Teori Dan Aplikasi, Jilid I, Penerbit Erlangga , 2012.

  Kategori Data Uji Accuracy [7] Kadir A., Susanto A. Teori Dan Aplikasi Pengolahan Citra , Penerbit Andi, 2013. [8] Para T, Porwik P, Some Handwritten Signature Parameters in Pra=2; Pro=2; Pas=2 77.78% _th Biometric Recognition Process, Proceedings of the ITI 29

  Pra=3; Pro=3; Pas=3 77.78% Information Technology Interface , June 25-28, 2007. Pra=4; Pro=4; Pas=4 83.33% [9] Syam R, Hariadi M, Purnomo H, Penentuan Nilai Standar Pra=5; Pro=5; Pas=5 82.22% Distorsi Berminyak Pada Akuisisi Citra Sidik Jari, Jurnal Pra=6; Pro=6; Pas=6 85.19% , Vol.15 No.1, April 2011,pp. 55-62.

  MAKARA Teknologi [10] Marcel S, Fundamental in Statitiscal Pattern Recognition, Idiap Research Institute Martigny, Switzerland, Senior Researcher,

ESIMPULAN AN ARAN

  V. K D S Available 22 May 2013. Dari hasil perancangan, analisis, implementasi dan